論文の概要: State-Space Kolmogorov Arnold Networks for Interpretable Nonlinear System Identification

• arxiv url: http://arxiv.org/abs/2506.16392v1
• Date: Thu, 19 Jun 2025 15:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.129876
• Title: State-Space Kolmogorov Arnold Networks for Interpretable Nonlinear System Identification
• Title（参考訳）: 解釈可能な非線形システム同定のための状態空間コルモゴロフ・アーノルドネットワーク
• Authors: Gonçalo Granjal Cruz, Balazs Renczes, Mark C Runacres, Jan Decuyper,
• Abstract要約: 本稿では,この課題に対処するために,国家空間コルモゴロフ・アルノルドネットワーク(SS-KAN)を提案する。 提案したモデルは、SilverboxとWiener-Hammersteinベンチマークの2つのベンチマークシステムで検証されている。 その結果,SS-KANはスパーシティプロモーティング正規化による解釈可能性の向上を図っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While accurate, black-box system identification models lack interpretability of the underlying system dynamics. This paper proposes State-Space Kolmogorov-Arnold Networks (SS-KAN) to address this challenge by integrating Kolmogorov-Arnold Networks within a state-space framework. The proposed model is validated on two benchmark systems: the Silverbox and the Wiener-Hammerstein benchmarks. Results show that SS-KAN provides enhanced interpretability due to sparsity-promoting regularization and the direct visualization of its learned univariate functions, which reveal system nonlinearities at the cost of accuracy when compared to state-of-the-art black-box models, highlighting SS-KAN as a promising approach for interpretable nonlinear system identification, balancing accuracy and interpretability of nonlinear system dynamics.
• Abstract（参考訳）: 正確ではあるが、ブラックボックスのシステム識別モデルは、基礎となるシステムの力学の解釈可能性に欠ける。 本稿では,コンモゴロフ・アルノルドネットワーク(SS-KAN)をステートスペースフレームワークに統合することにより,この問題に対処する。 提案したモデルは、SilverboxとWiener-Hammersteinベンチマークの2つのベンチマークシステムで検証されている。 結果から,SS-KANは,非線型系同定,精度のバランス,非線型系力学の解釈可能性に期待できるアプローチとして,最先端のブラックボックスモデルと比較すると,システム非線形性を精度の高い精度で示し,スポーシティプロモーティング正規化と学習ユニバリケート関数の直接可視化により,解釈可能性の向上を図っている。

関連論文リスト

• System Identification Using Kolmogorov-Arnold Networks: A Case Study on Buck Converters [0.0]
  Kolmogorov-Arnold Networks (KAN) は、解釈可能で効率的なシステム識別のための強力なフレームワークとして出現している。 本稿では, バックコンバータシステムの力学をモデル化し, 解析するためのkansの適用について検討する。
  論文  参考訳（メタデータ） (2025-06-12T07:35:30Z)
• Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
  本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。 ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。 ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
  論文  参考訳（メタデータ） (2024-09-24T08:31:22Z)
• Adaptive Meta-Learning-Based KKL Observer Design for Nonlinear Dynamical Systems [0.0]
  本稿では,メタラーニングによる非線形力学系のオブザーバ設計に対する新しいアプローチを提案する。 システム出力の測定から情報を活用するフレームワークを導入し、さまざまなシステム条件や属性にオンライン適応可能な学習ベースのKKLオブザーバを設計する。
  論文  参考訳（メタデータ） (2023-10-30T12:25:14Z)
• Nonlinear MPC design for incrementally ISS systems with application to GRU networks [0.0]
  本稿では,指数関数的にインクリメンタルな入力-状態安定(ISS)システムのためのモデル予測制御(NMPC)戦略の設計について述べる。 設計手法は、リカレントニューラルネットワーク(RNN)によって学習されたシステムの制御に特に適している。 このアプローチは Gated Recurrent Unit (GRU) ネットワークに適用され、収束保証を備えた調整状態オブザーバの設計方法も提供する。
  論文  参考訳（メタデータ） (2023-09-28T13:26:20Z)
• Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems [38.23826389188657]
  本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。 予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。 我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
  論文  参考訳（メタデータ） (2023-05-02T20:30:23Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
  本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。 提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。 スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
  論文  参考訳（メタデータ） (2020-04-15T00:51:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。